TR-GAN：基于三元组损失的拓扑排序GAN用于视网膜动脉/静脉分类
图像与视频处理
2020-07-30 v1 计算机视觉与模式识别
摘要
视网膜动脉/静脉（A/V）分类为视网膜血管定量分析奠定基础，其与多种心血管及脑血管疾病的潜在风险相关。拓扑连接关系已被证明能有效提升传统基于图方法的A/V分类性能，但尚未被基于深度学习的方法所利用。本文提出一种拓扑排序生成对抗网络（TR-GAN）以改善分割动脉与静脉的拓扑连通性，并进一步提升A/V分类性能。提出一种基于序数回归的拓扑排序判别器，用于对金标准、生成的A/V掩膜以及故意打乱的掩膜的拓扑连通性水平进行排序。该排序损失进一步反向传播至生成器以生成连通性更好的A/V掩膜。此外，还提出一种带三元组损失的拓扑保持模块，用于提取高层拓扑特征并进一步缩小预测A/V掩膜与金标准之间的特征距离。所提框架有效提升了预测A/V掩膜的拓扑连通性，并在公开可用的AV-DRIVE数据集上取得了最先进的A/V分类性能。
引用
@article{arxiv.2007.14852,
title = {TR-GAN: Topology Ranking GAN with Triplet Loss for Retinal Artery/Vein Classification},
author = {Wenting Chen and Shuang Yu and Junde Wu and Kai Ma and Cheng Bian and Chunyan Chu and Linlin Shen and Yefeng Zheng},
journal= {arXiv preprint arXiv:2007.14852},
year = {2020}
}